論文の概要: Frugal Handwritten Text Recognition for Sub-Saharan Civil-Status Registers: A Smartphone-to-Records Pipeline with CPU-Only Inference
- arxiv url: http://arxiv.org/abs/2610.36540v1
- Date: Tue, 27 Oct 2026 02:53:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.470022
- Title: Frugal Handwritten Text Recognition for Sub-Saharan Civil-Status Registers: A Smartphone-to-Records Pipeline with CPU-Only Inference
- Title（参考訳）: サブサハラ市民登録のためのフルーガル手書き文字認識:CPUオンリー推論によるスマートフォン間パイプライン
- Abstract要約: サハラ以南のアフリカ全域で手書きの民事登録簿が撮影されているが、その内容が検索不可能なままに書き起こされることは稀である。
我々は、消費者グレードのキャプチャとCPUのみの推論を備えたフラガーパイプラインが、そのようなレジスタを機械可読化できるかどうかを検討する。
我々はチャドの市町村の登録簿から手書きの出生、結婚、死亡記録の1,568個のスマートフォン画像のコーパスを導入し、185件の記録をラインレベルに書き起こした。
私たちのパイプラインは、ラップトップCPUで毎秒約2.6イメージで動作する、完全に古典的な前処理ステージと、事前訓練されたモデルから微調整されたKraken認識器を組み合わせたものです。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Handwritten civil-status registers across Sub-Saharan Africa are being photographed, but rarely transcribed, which leaves their content unsearchable. Local administrations that hold these records typically lack GPUs, reliable connectivity, and the budget for external digitization services. We study whether a frugal pipeline, with consumer-grade capture and CPU-only inference, can make such registers machine-readable. We introduce a corpus of 1,568 smartphone images of handwritten birth, marriage, and death records from a municipal registry in Chad, with line-level transcriptions for 185 records. Our pipeline combines a fully classical preprocessing stage, running at about 2.6 images per second on a laptop CPU, with a Kraken recognizer fine-tuned from a pretrained model in about four hours on a free-tier GPU. On manually corrected line segmentation and a single-registry test set whose writers also appear in training, fine-tuning reduces the character error rate from 14.53% to 0.50% and the word error rate from 56.93% to 3.37%. On a six-core laptop CPU, the recognizer weighs 61 MiB, peaks below 2.6 GiB of RAM, and processes an image in under 6 s on average, excluding line segmentation. Finally, a downstream information-extraction task shows that residual recognition errors cost about 9 F1 points on role resolution, compared with a 36.7-point gap between the fine-tuned and pretrained recognizers. These results are evidence of feasibility within one registry, not of performance on unseen writers or sites; we discuss these limitations in detail.
- Abstract（参考訳）: サハラ以南のアフリカ全域で手書きの民事登録簿が撮影されているが、その内容が検索不可能なままに書き起こされることは稀である。
これらのレコードを保持するローカル管理者は、一般的にGPU、信頼性の高い接続性、外部デジタル化サービスの予算を欠いている。
我々は、消費者グレードのキャプチャとCPUのみの推論を備えたフラガーパイプラインが、そのようなレジスタを機械可読化できるかどうかを検討する。
我々はチャドの市町村の登録簿から手書きの出生、結婚、死亡記録の1,568個のスマートフォン画像のコーパスを導入し、185件の記録をラインレベルに書き起こした。
私たちのパイプラインは、ラップトップCPUで毎秒約2.6イメージで動作する、完全に古典的な前処理ステージと、フリー層GPUで約4時間でトレーニング済みモデルから微調整されたKraken認識器を組み合わせたものです。
手動で修正された行のセグメンテーションと、ライターも訓練に現れるシングル登録テストセットでは、微調整によって文字エラー率を14.53%から0.50%に、単語エラー率を56.93%から3.37%に下げる。
6コアのラップトップCPUでは、認識器の重さは61 MiBで、RAMの2.6 GiB以下であり、ラインセグメンテーションを除いて平均6秒以下で画像を処理する。
最後に、下流情報抽出タスクは、微調整された認識者と事前訓練された認識者の間の36.7ポイントの差と比較して、残差認識誤差が約9F1ポイントのロール解決に要することを示している。
これらの結果は、未確認のライターやサイトのパフォーマンスではなく、一つのレジストリ内で実現可能な証拠であり、これらの制限を詳細に議論する。
関連論文リスト
- Watermarks and Fingerprints as Soft Bindings for Content Provenance: An Open-Licence Benchmark for Images, Audio and Video [0.0]
我々は、透かしと指紋認証の2種類のコンテンツ保証基準をベンチマークした。
透かしでは, 知覚品質, 頑健性, 偽陽性, コストについて, 映像25面, 音声7面, ビデオ7面について評価した。
PixelSealは、画像とビデオの透かしとオーディオのAudioSealに最適なバランスを与えたが、TrustMarkのすべての変種が5.9から15.3%の未表示画像に発射されたエラー補正検出器は、オーディオに最適であった。
論文 参考訳（メタデータ） (2026-10-02T23:52:30Z) - Data-Efficient Crosswalk Segmentation from Overhead CCTV via Confidence- and Geometry-Guided Pseudo-Labeling [1.9364098361060789]
我々は,手動によるCCTV画像241とラベルなしCCTVフレーム5,926を用いて,データ効率の高いターゲットドメインパイプラインについて検討した。
内的擬似ラベル契約の98.52%は, 人体-地道的正確性ではなく, 内的擬似ラベル契約である。
512 x 512のバッチワンFP32推論は、77.03 FPSに対応する12.98 msを必要とする。
論文 参考訳（メタデータ） (2026-09-08T15:43:58Z) - VeriPhy: Agentic Physical Reasoning for World Model Evaluation and Refinement [57.86962208273888]
テキストのみのプランナが入力された物理義務にプロンプトをコンパイルする監査可能な物理検証システムを提案する。
それぞれのアクションは、ペイロードがタイプされた測定か、明示的にタグ付けされた学習状態である証明付きエビデンスレコードを返す。
我々は, 実発生障害を即時参照, 空間, 時間でローカライズする, 1500クリックの欠陥記録のコーパスにおいて, 評価をアンロックする。
論文 参考訳（メタデータ） (2026-09-02T20:36:45Z) - When Prompts Become Pixels: Prompt-Region Grounding for Multimodal Reasoning [73.56343820592399]
本稿では,視覚的タスクセマンティックス(VTS, Visualized Task Semantics)について紹介する。
6つのMLLMと4つのベンチマークで、24のモデルとタスクのペアの精度は平均17.8ポイント低下した。
本稿では,質問領域を型付きセマンティクスと整合させ,そのクリーンな表現をマスクビューから復元するプロンプト領域グラウンドを提案する。
論文 参考訳（メタデータ） (2026-08-05T11:46:15Z) - Voice Memory for Agentic Speech Recognition [66.69623133635868]
エージェント音声認識のための推論専用スキームであるVoice Memoryを提案する。
同期的に、スコア付き例は、境界編集を通じてそのファイルを更新する。
10のHyPoradiseドメインにオープン修正器、Voice Memory、重み付き単語エラー率8.36%から7.52%の10のドメインがある。
論文 参考訳（メタデータ） (2026-07-29T02:42:56Z) - MDPBench: A Benchmark for Multilingual Document Parsing in Real-World Scenarios [72.8160644291677]
我々は,多言語デジタルおよび写真文書解析のための最初のベンチマークであるMultilingual Document Parsing Benchmarkを紹介する。
MDPBenchは17言語にまたがる3,400のドキュメントイメージ、多様なスクリプト、さまざまな写真条件で構成されている。
論文 参考訳（メタデータ） (2026-03-30T07:47:46Z) - GatedLexiconNet: A Comprehensive End-to-End Handwritten Paragraph Text Recognition System [3.9527064697847005]
内部線分割と畳み込み層に基づくエンコーダを組み込んだエンドツーエンドの段落認識システムを提案する。
本研究は、IAMでは2.27%、RIMESでは0.9%、READ-16では2.13%、READ-2016データセットでは5.73%の文字誤り率を報告した。
論文 参考訳（メタデータ） (2024-04-22T10:19:16Z) - BTR: Binary Token Representations for Efficient Retrieval Augmented Language Models [77.0501668780182]
Retrieval augmentationは、大規模言語モデルにおける多くの重要な問題に対処する。
検索拡張言語モデル(LM)の実行は遅く、大量の検索されたテキストを処理するため、スケールが困難である。
1ビットベクトルを用いて各トークンを前処理するバイナリトークン表現(BTR)を導入する。
論文 参考訳（メタデータ） (2023-10-02T16:48:47Z) - A Comprehensive Handwritten Paragraph Text Recognition System:
LexiconNet [3.9097549127191473]
我々は,手書き文字認識の文献から,最先端の2つの手法を用いた効率的な手順を提示した。
アテンションモジュールは内部の行セグメンテーションに責任を持ち、結果としてページを行単位で処理する。
復号化ステップでは、時間的分類に基づく単語ビーム検索デコーダを後処理ステップとして追加した。
論文 参考訳（メタデータ） (2022-05-23T03:35:45Z) - Unsupervised Speech Recognition [55.864459085947345]
wav2vec-Uは、ラベル付きデータなしで音声認識モデルを訓練する方法である。
我々は、自己教師付き音声表現を活用して、ラベルなし音声をセグメント化し、これらの表現から相手の訓練を通して音素へのマッピングを学習する。
より大きな英語のLibrispeechベンチマークでは、wav2vec-Uは、わずか2年前の960時間のラベル付きデータに基づいてトレーニングされた最も優れたシステムに匹敵する、他のテストで5.9の単語エラー率を達成した。
論文 参考訳（メタデータ） (2021-05-24T04:10:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。